本文出自

回答七大問題,驗證你的資料競爭力

回答七大問題,驗證你的資料競爭力

2020年1月號

網路效應,跟你想的不一樣!資料競爭力七大驗證

When Data Creates Competitive Advantage...
安德烈.哈邱 Andrei Hagiu , 朱利安.懷特 Julian Wright
瀏覽人數:3427
  • "網路效應,跟你想的不一樣!資料競爭力七大驗證"

  • 字放大
  • 授課文章購買
    購買〈網路效應,跟你想的不一樣!資料競爭力七大驗證〉文章
  • 個人收藏購買
    購買〈網路效應,跟你想的不一樣!資料競爭力七大驗證〉PDF檔
    下載點數 10
插畫:基斯.奈葛利(Keith Negley)
你是否高估了數據資料能帶來的優勢? 由資料促成的學習,雖然會帶動看來可能類似網路效應的良性循環,但效能沒有那麼強大或持久。 要確定顧客資料是否可協助建立市場進入障礙,企業應回答七個問題來檢視資料的價值:能創造多少附加價值;邊際價值遞減速度有多快;使用者資料的相關性貶值速度;資料是否是專屬的;要模仿這類產品改善有多困難;改善的產品,是否適用於其他使用者;多快能將見解整合到產品中。

很多高階主管和投資人都假定,可以利用與顧客資料有關的能力,來取得無與倫比的競爭優勢。你擁有的顧客愈多,可收集到的資料也就愈多,而用機器學習工具分析這些資料之後,你就能提供更好的產品,以吸引更多顧客。然後,你可以收集更多資料,最終把競爭對手邊緣化,就如同那些擁有巨大網路效應的企業那樣。他們的想法大概就是如此。這種假設通常是錯誤的。在大多數情況下,人們都過分高估了資料帶來的優勢。

資料促成的學習(data-enabled learning)所引發的良性循環,可能看起來很類似一般的網路效應所產生的良性循環,也就是某項產品或服務(例如社群網站平台)隨著愈多人使用而變得愈有價值,最終取得了關鍵多數的使用者,因而排除掉其他競爭者。但在實務上,一般的網路效應能維持更長的時間,往往也更強大。若要建立最強大的競爭地位,你既需要網路效應,也需要資料促成的學習。然而,很少有公司能同時發展這兩者。不過在適當的條件下,即使沒有網路效應,顧客產生的資料也能協助你建立競爭防禦。在本文中,我們將向你逐一說明這些條件,並解釋如何評估這些條件是否適用於你的企業。

有什麼改變?

雲端、連網、演算法,資料運用更迅速

以數據資料為基礎而打造的公司,已經存在很長一段時間。信用紀錄和資料搜集業者律商聯訊(Lexis-Nexis)、湯森路透(Thomson Reuters)和彭博(Bloomberg),只是其中一些例子。這些企業受到重大的市場進入障礙保護,因為收集和彙整大量資料可達到規模經濟;但是,它們的商業模式並沒有從顧客身上收集資料,再進行資料探勘,以了解如何改善產品。

收集顧客資訊,並運用這些資訊來改善產品和服務,是歷史悠久的策略,但這個過程向來十分緩慢、範圍有限,而且難以擴大規模。對汽車製造商、消費品公司和眾多其他的傳統製造業者來說,這個過程需要處理銷售資料、進行顧客意見調查,以及舉辦焦點團體訪談。但那些銷售資料常常沒有連結到個別的顧客,而由於顧客意見調查與焦點團體訪談既耗時又昂貴,因此只能收集到人數相對較少的顧客的資料。

隨著雲端技術和其他新技術問世,這個情況大為改觀,這些技術讓企業能夠快速處理和了解極大量的資料。連網產品和服務,現在可以直接收集顧客的資訊,包括個人詳細資訊、搜尋行為、內容選擇、溝通內容、社群網站發文、全球定位系統(GPS)位置和使用模式。在機器學習演算法分析完這些「數位廢氣」(digital exhaust)之後,公司的產品就能根據這些發現來自動調整,甚至為個人量身打造。

這些發展,讓資料促進的學習變得比企業過去產生的顧客見解更加強大。然而,這些發展不能保證設下可防禦的障礙。

用資料學習建立護城河

七個問題,評估你的優勢能維持多久

為了確定資料促成的學習所帶來的競爭優勢能持續多久,企業應該回答下列七個問題:

1.與產品原本具備的價值相比,顧客資料能創造多少附加價值?附加價值愈高,愈有可能創造持久的競爭優勢。讓我們來看看顧客資料價值非常高的一家公司:Mobileye,它是先進駕駛輔助系統(ADAS)的市場領導業者,它提供的輔助系統包括汽車防撞和偏離車道警告。Mobileye的主要客戶是汽車製造商,車商會先廣泛測試它的輔助系統,然後才把這些系統整合進入自家產品。很重要的是應確保失效安全(fail-safe;編按:指即使系統失效故障,也不會造成傷害),而測試資料對於提升精確度很重要。Mobileye從數十家客戶那裡收集測試資料,因而能夠把自家的先進駕駛輔助系統精確度提升到99.99%。

新科技讓資料促成的學習變得比企業過去產生的顧客見解更加強大。然而,這些見解不能保證設下可防禦的障礙。

相反地,對智慧型電視製造商來說,從顧客資料當中學習的附加價值就比較低。目前有些智慧型電視裡內建一些軟體,可提供個人化的推薦,根據個人的觀看習慣和其他使用者流行觀看的內容,來推薦電視節目或電影。到目前為止,消費者並不太在乎這項功能〔網飛(Netflix)與亞馬遜(Amazon)之類的串流服務供應商也提供這種功能〕。消費者在做購買決定時,主要考慮的是電視尺寸、畫質、使用容易度和耐用度。如果從顧客資料中學習是更重要的因素,智慧型電視業的競爭也許不會像現在這樣激烈。

2.資料促成學習的邊際價值遞減速度有多快?換句話說,企業多快就會面臨額外的顧客資料無法再提升產品價值的情況?邊際價值遞減的速度愈慢,市場障礙就愈強大。要注意的是,在回答這個問題時,你判斷學習的價值應根據顧客的付費意願,而非根據其他一些與應用軟體有關的衡量指標,像是聊天機器人能正確回答的問題所占比率,或電影推薦的點擊率。

假設你把Mobileye先進駕駛輔助系統的精確度,繪製成顧客使用量(汽車製造商測試時所開的總里程數)的函數,結果發現,只需少數汽車製造商和中等程度的測試,就足以達到90%的精確度,但若要達到99%的精確度,會需要更多車廠進行更多的測試,如果想達到99.99%就更不必說了。當然,把這情況詮釋成表示顧客資料的邊際價值快速遞減,是不正確的:由於這當中的涵義是攸關生死的,因此精確度提高9個百分點(甚至只提高0.99個百分點),仍有極高的附加價值。任何單一車廠,不管規模多大,都很難自行產生出必要的資料量;而Mobileye的任何潛在競爭對手,也難以複製這些資料。正因如此,Mobileye才能主宰先進駕駛輔助系統的市場,讓它成為英特爾(Intel)眼中極具吸引力的收購標的,最終在2017年以150億美元收購該公司。

如果在獲得大量顧客基礎之後,從顧客資料當中學習仍有很高的邊際價值,那麼商品和服務往往具有重大的競爭優勢。這類例子包括為預測罕見疾病所設計的系統(像是RDMD公司的產品),以及網路搜尋引擎,如百度和Google。儘管微軟(Microsoft)多年來投注數十億美元開發Bing搜尋引擎,卻始終無法撼動Google在搜尋方面的主宰地位。搜尋引擎和罕見疾病預測系統,都需要大量的使用者資料,以持續提供可靠的結果。

使用者資料邊際價值快速遞減的一個企業反例,就是智慧型恆溫控制器。這些產品只需要幾天,就能了解使用者全天偏好的各種溫度。在這種情況下,資料促成的學習無法提供太多的競爭優勢。Nest雖然在2011年推出首款能從顧客行為中學習的智慧型恆溫控制器,但現在面臨來自Ecobee和漢威聯合(Honeywell)等企業的激烈競爭(Nest於2014年被Google收購)。

3.使用者資料的相關性貶值速度有多快?如果資料很快就過時,那麼在其他所有條件都相同的情況下,競爭對手會比較容易進入市場,因為它不必追趕上既有企業多年來從資料學習到的知識。

Mobileye多年來從各車廠收集累積的資料,對它現有版本的產品仍然具有價值。Google數十年來從搜尋引擎使用者身上收集到的資料也是如此。隨著時間流逝,部分關鍵字的搜尋次數會變得很少,而新關鍵字的搜尋可能會開始變得更加頻繁,但是,擁有多年的歷史搜尋資料,對於服務現今的使用者仍具有無可否認的價值。這些資料的低貶值率,有助於說明為什麼Mobileye和Google搜尋都已被證明是復原力很高的企業。

然而,以電腦和行動裝置的社群休閒遊戲來說,從使用者資料中學習所得到的價值,往往會快速下降。2009年,Zynga推出的「鄉間逍遙遊」(FarmVille)極為成功,促成這個市場起飛。雖然Zynga很有名的是高度依賴使用者資料分析來做出有關設計的決定,但事實證明,從一款遊戲中獲得的深入見解,無法很順利地轉移到下一款遊戲。因為休閒遊戲受到流行熱潮影響,使用者喜好變化迅速,因此公司很難建立可持續的資料驅動型競爭優勢。Zynga有過少數幾次成功,包括「鄉間逍遙遊2」和「城市小鎮」(CityVille),之後就無法再推出新的熱門產品,使用者人數至2013年已流失近一半。Zynga遭到其他遊戲公司取代,如Supercell〔推出「部落衝突」(Clash of Clans)〕和Epic Games〔推出「要塞英雄」(Fortnite)〕。Zynga的市值在2012年達到104億美元的頂峰,接下來六年間的大部分時間都萎縮到四十億美元之下。

4.資料是不是專屬的,也就是說,這些資料不能從其他來源購買、不容易複製或被逆向工程研究?擁有獨特且幾乎沒有替代物的顧客資料,對於設立可防禦的市場障礙是很重要的。以Adaviv為例,這家我們曾投資的新創公司位於美國波士頓,產品是農作物管理系統,讓栽種者(現在主要是大麻栽種者)可以持續監控每一株植物。這套系統運用人工智慧、電腦視覺軟體和專屬的資料標記技術,追蹤肉眼看不見的植物生物特徵,例如疾病的早期跡象或營養不良,然後,系統把資料轉化成一些深入見解,栽種者可用來預防疾病爆發和改進產量。Adaviv服務的栽種者愈多,系統就能了解到範圍更廣的變異體(variant)、農業條件和其他因素,而且它向新顧客與既有顧客提供的預測就愈準確。相反地,垃圾郵件過濾程式的供應商,能以相對便宜的方式獲得使用者資料。這有助於解釋,為何市場上會有數十家這類供應商存在。

務必記住,技術進步有可能破壞以獨特或專屬資料為基礎所建立的地位。口語辨識(speech recognition)軟體就是一個例子。在過去,使用者必須訓練這種軟體去了解他們個人的聲音和口語說話模式,使用次數愈多,軟體就愈準確。Nuance推出的Dragon解決方案主宰了這個市場許多年。但在過去十年間,針對不特定說話者的口語辨識系統進步迅速,這些系統能用可公開取得的口語內容資料來訓練,花費最少的時間、甚至不必花時間就能學會了解新使用者的聲音。這些進步讓許多公司都能提供新的口語辨識應用軟體(自動顧客服務電話、自動會議記錄服務和虛擬助理),並持續在Nuance的核心市場裡為它帶來日益增加的壓力。

5.要模仿以顧客資料為基礎的產品改善,有多困難?即使那些資料是獨一無二或專屬的,而且能產生寶貴的見解,但如果競爭對手就算沒有類似資料也可以複製同樣的改善成果,那麼你仍很難建立持久的競爭優勢。

有幾個因素影響到企業克服這個挑戰的能力。一個因素是,改良的地方是否隱藏或深埋在複雜的製程中,讓別人難以複製。音樂串流服務Pandora就受益於這種障礙。它提供的服務善用自家公司專有的「音樂基因組計畫」(Music Genome Project),根據約450種屬性把數百萬首歌曲分類,因而得以針對個別使用者的喜好,提供客製化的音樂電台服務。使用者愈常收聽自己的電台、給予歌曲評價,Pandora為那位使用者量身打造音樂選曲的效果就愈好。任何競爭對手都無法輕易模仿這種客製化做法,因為它緊密連結到音樂基因計畫。相反地,根據顧客使用眾多辦公室生產力軟體產品的情況,學到一些見解,然後以這些見解為基礎而做出的設計改良,很容易就可以被觀察到和模仿,例如協調行事曆的Calendly和調查人們可以開會時段的Doodle。正因如此,提供類似軟體的公司有數十家。

第二個因素是,來自顧客資料的見解改變得有多快。變化得愈快,其他人就愈難模仿。舉例來說,Google地圖的許多功能設計都很容易模仿(而且也已經被蘋果公司和其他公司的地圖服務模仿了)。但Google地圖的價值有一個關鍵部分,就是預測交通狀況和推薦最佳路線的能力,這很難複製,因為它運用了在幾分鐘之內就會過時的即時使用者資料。只有同樣擁有類似龐大使用者基礎的企業(例如蘋果公司在美國),才有可能複製這種功能。在美國,蘋果地圖服務正逐漸縮小與Google地圖的差距,但在蘋果使用者人數相對較少的國家仍無法做到。

6.來自單一使用者的資料有助於為這名使用者改善產品,還是也能為其他使用者改善產品?在理想的情況下,兩者都做得到,但這兩者之間的差異很重要。當單一使用者的資料為這名使用者改善了產品,公司可以個別針對這名使用者把產品客製化,因而創造了轉換成本。當來自單一使用者的資料可以為其他使用者改善這個產品,就可能會創造網路效應(但也有可能不會)。這兩種類型的產品改善,有助於提供進入障礙,但前者是讓既有使用者有很高的黏著度,後者則在爭取新顧客方面帶來關鍵優勢。

例如,Pandora曾是數位音樂串流服務的首家大型業者,但後來落後於Spotify和蘋果公司的音樂服務(Apple Music),後面這兩項服務都仍在成長。前面提到過,Pandora的主要賣點是能針對每一名使用者的品味,量身打造音樂電台,但跨使用者的學習非常有限,因為個別使用者對音樂的評價高低,讓Pandora能找出這名使用者喜歡的音樂屬性,然後提供有相同屬性的樂曲給這名使用者。相反的,Spotify更加專注在提供使用者一些分享與發掘的功能,像是搜尋和聆聽其他人的音樂電台,因而創造了直接的網路效應,並吸引額外的顧客。Pandora的服務仍只有在美國境內提供(它在美國有一群忠誠的使用者),而Spotify和蘋果的服務都已拓展到全球。雖然Pandora在2019年2月被天狼星廣播公司(Sirius XM)以35億美元收購,但Spotify已於2018年4月股票上市,至2019年11月初,市值已達260億美元。很明顯的,從個別使用者的資料中學習以進行客製化,有助於牢牢抓住既有顧客,但不會帶來網路效應會產生的那種類型的指數型成長。

7.從使用者資料取得的見解,多快能整合到產品裡?快速的學習週期,使得競爭者難以追趕得上,尤其如果在顧客平均合約期間內進行多個產品改良週期,就更難追趕。但如果需要花上好幾年,或連續好幾代的產品,才能做出以資料為基礎的產品改良,競爭者就有更大的機會可以在這段過渡期間進行創新,並開始收集自己的使用者資料。因此,如果從「現在」的顧客資料學習到的見解,可轉化用於針對同樣這些顧客更頻繁地改善產品,而不是只針對這個產品或服務的「未來」顧客來改善,那麼來自顧客資料的競爭優勢就會更強大。我們已經討論過的幾個產品案例,包括地圖、搜尋引擎、以人工智慧為基礎的農作物管理系統,都能快速更新,並納入從現有顧客身上學習所得的見解。

一個反面例子是線上直接貸款業者,例如LendUp和 LendingPoint等,這類公司檢視使用者的還款歷史,以及它與使用者個人資料和行為的不同層面之間的相關性,藉以學習如何做出更好的放貸決策。在這方面,與「目前」的借款人有關的唯一學習,就是從「先前」的借款人身上學到的見解,而這些學習已經反映在提供給目前的借款人的合約和利率中。借款人沒有理由擔心貸方能從未來的學習當中受益,因為他們現有的合約將不受影響。因此,顧客在決定要向哪家公司借款時,並不在意還有多少其他借款人會簽約。

現有借款人可能偏好繼續向現有的放款業者借錢,因為這些放款業者比其他業者更了解他們,但新借款人的市場仍然競爭很激烈。

購買資料比爭取顧客更加容易。其他來源的資料通常能夠消除對龐大顧客群的需求,因而讓競爭環境變得更加公平。

資料能帶來網路效應嗎?

公司必須不斷從顧客資料中學習

問題6和7的答案將告訴你,資料促成的學習是否能產生真正的網路效應。如果從一位顧客身上學習到的知識,能轉化成其他顧客更好的體驗,而且這項學習能很快整合到產品中,讓這個產品目前的使用者受益,那麼,顧客就會在乎另外還有多少人也在使用這個產品。這方面的運作機制,很類似線上平台潛在的網路效應。相異之處在於,平台使用者偏好加入更大的平台,是因為他們希望與更多人互動,而不是因為更多使用者能產生更多見解以改良產品。

再看一次Google地圖的例子,駕駛人使用這項服務,部分原因是預期其他許多人也會使用這項服務,而這套軟體從他們身上收集到的交通資料愈多,它對路況和行駛時間的預測就愈好。Google搜尋引擎和Adaviv的人工智慧農作物管理系統,也都享有資料促成的網路效應。

就和一般的網路效應一樣,資料促成的網路效應也能創造進入障礙。這兩種類型的效應帶來冷啟動(cold-start)、或雞生蛋蛋生雞的巨大挑戰(編按:冷啟動是指系統尚未取得足夠資料以做出可靠的推論或推薦):想創造一般網路效應的企業,必須吸引到某個最低數量的使用者,才能啟動這種效應;而企業若想要創造資料促成的網路效應,就需要在最開始取得一定數量的資料,才能啟動資料學習的良性循環。

儘管有這些相似之處,一般網路效應和資料促成的網路效應,仍有一些關鍵差異,而這些差異通常會讓基於一般網路效應的優勢變得更強。第一,資料促成的網路效應中,冷啟動問題通常較不嚴重,因為購買資料比爭取顧客更加容易。其他來源的資料即使不夠完善,通常也足以消除對龐大顧客群的需求,因而讓競爭環境變得更加公平。

第二,若要產生持久的資料促成網路效應,公司必須持續設法從顧客資料當中學習。相反地,正如直覺軟體公司(Intuit)共同創辦人史考特.庫克(Scott Cook)常說的:「受益於(一般)網路效應的產品,在我睡覺的時候也可以自己變得更好。」如果擁有一般網路效應,即使平台停止創新,顧客之間的互動(可能也包括與提供互補產品的第三方供應商的互動)仍能創造價值。即使有新的社群網路,能夠提供使用者一些客觀來說優於臉書的功能(例如,更好的隱私權保護),它仍必須與臉書強大的網路效應競爭,因為使用者希望與大多數的其他使用者待在同一個社交平台。

第三,在許多情況下,從顧客資料學習時所獲得的幾乎所有好處,都能在顧客相對較少的情況下達成。在某些應用軟體裡(例如口語辨識),人工智慧的顯著改善,將減少對顧客資料的需求,以致資料促成的學習可能完全不再具有價值。另一方面,一般網路效應會進一步擴大,而且更有復原力:新增加的顧客通常仍能增進既有顧客的價值(既有顧客能與新顧客互動或交易),即使既有顧客的數量已經非常龐大,仍是如此。

誰是最有價值的企業?

利用顧客資料改善產品,維持優勢

目前,即使平凡的消費品也變得更加智慧且連網,例如,新類型的服飾能因應天氣情況做出調整,並追蹤里程和生命徵象;隨著這種情況的發展,資料促成的學習將會用來強化更多產品,並讓更多產品變得個人化。然而,除非顧客資料所增添的價值很高且持久,或那些資料是專屬的、可產生難以複製的產品改良,或者資料促成的學習可創造網路效應,否則這些產品的供應商就無法建立強大的競爭地位。

在未來幾十年內,運用顧客資料來改善產品,將是維持競爭力的先決條件,也可能讓既有業者比新進業者擁有更多優勢。但在大多數情況下,這不會產生贏者全拿的動態發展。相反的,可預見未來裡最有價值、最強大的企業,將會是那些以一般網路效應為基礎,並透過資料促成的學習來強化的企業,像是阿里巴巴和亞馬遜的市集、蘋果公司的行動應用程式商店,以及臉書的社群網路。

本文觀念精粹

假設

企業可經由收集和分析顧客資料,來建立贏者全拿的地位。公司擁有的顧客數量愈多,可收集和探勘的資料就愈多;如此所產生的見解,讓公司能夠提供更好的產品來吸引更多顧客,並從中收集更多的資料。

現實

即使顧客資料確實帶來競爭優勢,但很少引發網路效應,而且這種優勢可能不會持久。

解決方案

若要了解資料促成的學習可帶來什麼優勢,企業應回答以下七個問題,以檢視資料的價值:邊際價值是否迅速下降;資料過時的速度有多快;是不是專有的資料;它帶來的改善是否能輕易就被模仿;是否為現有使用者、其他使用者或這兩者都改善產品;這些見解多快能夠納入產品之中。

(劉純佑譯自“When Data Creates Competitive Advantage...,” HBR, January-February 2019)



安德烈.哈邱

安德烈.哈邱 Andrei Hagiu

美國波士頓大學凱斯特羅姆商學院(Boston University's Questrom School of Business)資訊系統副教授。


朱利安.懷特

朱利安.懷特 Julian Wright

新加坡國立大學(National University of Singapore)經濟學教授。


本篇文章主題策略